論文の概要: Parameter-free Dynamic Graph Embedding for Link Prediction
- arxiv url: http://arxiv.org/abs/2210.08189v1
- Date: Sat, 15 Oct 2022 04:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 17:41:52.424204
- Title: Parameter-free Dynamic Graph Embedding for Link Prediction
- Title（参考訳）: パラメータフリーな動的グラフ埋め込みによるリンク予測
- Authors: Jiahao Liu, Dongsheng Li, Hansu Gu, Tun Lu, Peng Zhang, Ning Gu
- Abstract要約: FreeGEMはリンク予測のためのパラメータフリーな動的グラフ埋め込み手法である。
その結果,FreeGEMは36倍以上の効率向上を実現しつつ,最先端の手法よりも精度が高いことがわかった。
- 参考スコア（独自算出の注目度）: 18.104685554457394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic interaction graphs have been widely adopted to model the evolution of
user-item interactions over time. There are two crucial factors when modelling
user preferences for link prediction in dynamic interaction graphs: 1)
collaborative relationship among users and 2) user personalized interaction
patterns. Existing methods often implicitly consider these two factors
together, which may lead to noisy user modelling when the two factors diverge.
In addition, they usually require time-consuming parameter learning with
back-propagation, which is prohibitive for real-time user preference modelling.
To this end, this paper proposes FreeGEM, a parameter-free dynamic graph
embedding method for link prediction. Firstly, to take advantage of the
collaborative relationships, we propose an incremental graph embedding engine
to obtain user/item embeddings, which is an Online-Monitor-Offline architecture
consisting of an Online module to approximately embed users/items over time, a
Monitor module to estimate the approximation error in real time and an Offline
module to calibrate the user/item embeddings when the online approximation
errors exceed a threshold. Meanwhile, we integrate attribute information into
the model, which enables FreeGEM to better model users belonging to some under
represented groups. Secondly, we design a personalized dynamic interaction
pattern modeller, which combines dynamic time decay with attention mechanism to
model user short-term interests. Experimental results on two link prediction
tasks show that FreeGEM can outperform the state-of-the-art methods in accuracy
while achieving over 36X improvement in efficiency. All code and datasets can
be found in https://github.com/FudanCISL/FreeGEM.
- Abstract（参考訳）: 動的相互作用グラフは、時間とともにユーザとイテムの相互作用の進化をモデル化するために広く採用されている。
動的相互作用グラフにおけるリンク予測のためのユーザ好みのモデル化には2つの重要な要素がある。
1)利用者の協力関係と協力関係
2)ユーザのパーソナライズしたインタラクションパターン。
既存のメソッドでは,これら2つの要因を暗黙的に考慮することが多い。
加えて、それらは通常、リアルタイムのユーザー嗜好モデリングでは禁止されるバックプロパゲーションを伴う時間を要するパラメータ学習を必要とする。
そこで本稿では,リンク予測のためのパラメータフリーな動的グラフ埋め込み手法freegemを提案する。
まず,協調的関係を生かしたグラフ埋め込みエンジンを提案する。これはオンラインモジュールからなるオンライン・モニタ・オフライン・アーキテクチャで,時間とともにユーザ/項目をほぼ埋め込むためのオンラインモジュールと,リアルタイムに近似誤差を推定するモニタモジュールと,オンライン近似誤差がしきい値を超えた場合にユーザ/項目埋め込みを校正するオフラインモジュールとからなる。
一方,属性情報をモデルに統合することで,表現されたグループに属するユーザをより良くモデル化することができる。
次に,動的時間減衰とアテンション機構を組み合わせたパーソナライズされた動的インタラクションパターンモデラーを設計し,ユーザの短期的関心をモデル化する。
2つのリンク予測タスクの実験結果から、FreeGEMは36倍の効率向上を達成しつつ、最先端の手法よりも精度が高いことが示されている。
すべてのコードとデータセットはhttps://github.com/FudanCISL/FreeGEMで確認できる。
関連論文リスト
- SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation [15.977789295203976]
本稿では,SelfGNN(Self-Supervised Graph Neural Network)と呼ばれる新しいフレームワークを提案する。
SelfGNNフレームワークは、時間間隔に基づいて短期グラフを符号化し、グラフニューラルネットワーク(GNN)を使用して短期的な協調関係を学習する。
パーソナライズされた自己強化学習構造は、長期のユーザ関心と個人の安定性に基づいて、短期的なグラフにおけるノイズを緩和することにより、モデルロバスト性を高める。
論文 参考訳（メタデータ） (2024-05-31T14:53:12Z) - Time-aware Hyperbolic Graph Attention Network for Session-based
Recommendation [58.748215444851226]
セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。
時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2023-01-10T04:16:09Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-06T15:42:54Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Position-enhanced and Time-aware Graph Convolutional Network for
Sequential Recommendations [3.286961611175469]
我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。
PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。
多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
論文 参考訳（メタデータ） (2021-07-12T07:34:20Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - Multi-Partition Embedding Interaction with Block Term Format for
Knowledge Graph Completion [3.718476964451589]
知識グラフ埋め込み法は、実体と関係を埋め込みベクトルとして表現することでタスクを実行する。
従来の作業は通常、各埋め込み全体を扱い、これらの埋め込み全体間の相互作用をモデル化してきた。
本稿では,ブロック項形式を用いたマルチパーティション埋め込み相互作用(MEI)モデルを提案し,この問題に対処する。
論文 参考訳（メタデータ） (2020-06-29T20:37:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。